Dify平台能否用于构建AI诗人？古典诗词格律遵循度
在当前大语言模型（LLM）席卷内容创作领域的浪潮中，一个有趣而富有挑战的问题浮现出来：我们能否用AI写出一首真正“合格”的古典诗词？
不是那种看似文雅、实则平仄错乱、对仗荒谬的“伪古诗”，而是从字数、押韵、平仄到对仗都经得起推敲的作品——比如杜甫《登高》那样的七言律诗，哪怕只是形式上接近，也足以令人惊叹。毕竟，这不仅考验模型的语言能力，更是在测试它对复杂规则系统的理解与执行。
正是在这种背景下，Dify 这类低代码 AI 应用开发平台进入了视野。它不训练模型，也不提供算力，却像一位“智能导演”，把大模型、知识库和逻辑流程组织起来，让它们协同完成高精度任务。那么问题来了：这样一个可视化工具，真能指挥AI成为懂格律的“数字诗人”吗？
要回答这个问题，不妨先设想一个典型场景：用户输入“以‘秋思’为题写一首五言律诗”。理想中的AI诗人应该怎么做？
首先，它得明白什么是“五律”——八句、每句五字、押平声韵、中间两联对仗、有基本平仄规律。然后，它需要调动文化语感，避免写出“手机落水心亦悲”这种穿越句式。最后，输出还得结构清晰，不能东一句西一句。
但现实是，哪怕是GPT-4或通义千问这样的顶尖模型，在没有额外引导的情况下，生成完全合规的格律诗仍是小概率事件。它们擅长模仿风格，却不擅长遵守规则。这时候，Dify 的价值就显现出来了。
它的核心思路不是“让模型天生会写诗”，而是通过系统化设计，把人类写诗的过程拆解成机器可执行的步骤，并在每个关键节点施加控制。
比如，当用户提出请求时，Dify 并不会立刻把问题丢给大模型。相反，它会启动一套预设的工作流：
- 解析用户意图，提取主题与体裁；
- 调用RAG模块，从《全唐诗》向量数据库中检索相似题材的经典作品；
- 构造一个带有详细格式要求和参考范文的Prompt；
- 将增强后的提示发送给LLM生成初稿；
- 对输出进行格式校验和平仄检测；
- 如有问题，自动触发修正机制或返回错误提示。
这一整套流程，本质上是在模拟一位资深诗人的创作习惯：先读几首同类佳作找感觉，再动笔起草，写完还要反复吟诵修改。
而这其中最关键的，是Dify 提供的四大能力：可视化编排、Prompt工程、RAG集成、Agent行为建模。它们共同构成了一个“可控生成”的闭环系统。
先看可视化流程编排。这是Dify 最直观的优势。传统做法是用Python + LangChain手写一整套逻辑，改一次就得重新部署。而在Dify 中，开发者可以通过拖拽节点的方式搭建应用流水线，就像搭积木一样。
你可以设置“条件判断”节点来区分五绝和七律的不同处理路径，也可以加入“循环重试”机制，直到生成结果满足格式要求为止。更重要的是，整个过程支持版本管理与多人协作——这意味着文案人员可以专注优化提示词，工程师负责对接API，彼此互不干扰。
再来看Prompt工程能力。很多人低估了提示词的作用，以为只是简单的指令拼接。但实际上，一个好的Prompt就像一道精密的程序入口，决定了模型能否正确理解任务。
在Dify 中，我们可以构造如下模板：
你是一位精通中国古典诗词的AI诗人，请根据以下要求创作一首七言律诗： 【主题】{{user_input}} 【体裁】七言律诗（共八句，每句七字） 【格律要求】 - 偶数句押平声韵（推荐使用《平水韵》） - 颔联与颈联必须对仗 - 符合首句仄起不入韵式的平仄格式 请分三步思考： 1. 确定意象群（如孤舟、寒江、残雪等） 2. 拟定中间两联，确保词性与结构对称 3. 完善全诗，检查押韵一致性这个Prompt不仅明确了格式要求，还引导模型采用“分步推理”的方式写作，极大提升了输出质量。Dify 还支持A/B测试不同版本的提示词，帮助团队快速找到最优方案。
当然，仅靠Prompt还不够。为了让AI真正“懂风格”，还需要引入外部知识。这就是RAG（检索增强生成）的用武之地。
想象一下，如果用户要求“模仿李白风格写一首饮酒诗”，直接让模型自由发挥，很可能得到泛泛之谈。但如果系统先检索出《将进酒》《月下独酌》等名篇片段，并把这些内容作为上下文注入Prompt，效果就会截然不同。
Dify 内置了完整的RAG模块，支持上传TXT、JSON等格式的古籍语料，自动切分文本并生成向量嵌入。查询时采用“关键词+语义”混合检索策略，既能保证相关性，又能避免噪声干扰。
举个例子，如果你只想引用五言诗句作为参考，还可以添加后处理脚本过滤非目标格式的内容：
def filter_wuyan_poems(retrieved_docs: list) -> list: filtered = [] for doc in retrieved_docs: content = doc.get("content", "") lines = [l.strip() for l in content.split("\n") if l.strip()] wuyan_count = sum(1 for l in lines if 4 <= len(l.replace("，","").replace("。","")) <= 6) if wuyan_count >= len(lines) * 0.6: filtered.append(doc) return filtered[:3]这类轻量级规则虽简单，却能在关键时刻提升一致性，防止系统误引七言句去指导五言诗创作。
如果说RAG提供了“学习资料”，那AI Agent机制则赋予了AI“创作思维”。
真正的诗人写诗从来不是一蹴而就的。他们会构思立意、推敲字句、检查格律、撰写注释。Dify 允许我们将这一系列动作建模为一个多阶段Agent工作流。
例如，面对“写一首咏梅七律并附赏析”的请求，Agent可以这样运作：
- 调用工具查询梅花的文化象征（源自《植物名实图考》）；
- 检索陆游、王安石等人的咏梅诗作为参考；
- 分析情感基调（孤傲？坚韧？哀婉？）；
- 起草诗歌初稿；
- 调用平仄检测接口验证格律；
- 若不符合，则调整用字或重新生成；
- 最终整合诗歌与鉴赏文字输出。
这其中的关键在于“工具调用”能力。Dify 支持注册自定义函数作为Tool，比如封装一个平仄检测API：
import requests def check_pingze(sentence: str) -> str: try: resp = requests.post( "https://api.poemtools.com/v1/pingze", json={"text": sentence}, timeout=5 ) return resp.json().get("result", "未知") except Exception as e: return f"检测失败: {str(e)}" print(check_pingze("春风又绿江南岸")) # 输出："仄平仄仄平平仄"一旦该函数被注册为可用工具，Agent就可以在生成后主动调用它，形成“生成→检验→修正”的反馈闭环。这种机制大大增强了系统的鲁棒性，不再依赖模型一次性成功。
此外，Dify 还支持JSON Schema约束输出格式，确保返回结果可被程序解析：
{ "response_format": { "type": "json_object", "schema": { "type": "object", "properties": { "title": {"type": "string"}, "poem": { "type": "array", "items": {"type": "string"} }, "rhythm_notes": {"type": "string"} }, "required": ["title", "poem"] } } }这项功能对于后续做自动化分析至关重要。比如拿到poem数组后，可以直接送入平仄分析模块逐句校验，无需再做复杂的文本清洗。
整个系统的架构也因此变得清晰而有序：
[用户前端] ↓ (HTTP 请求) [Dify 平台] ├── 输入解析模块 ├── Prompt 编排引擎 ├── RAG 检索模块 ←─┐ │ ↓ │ [向量数据库：古诗词 corpus] ├── Agent 决策流 │ ├── 任务分解 │ ├── 工具调用（平仄检测、押韵检查） │ └── 输出汇编 └── 后处理校验 ↓ [LLM 推理服务] ↓ [格式校验脚本] ↓ [返回用户：诗歌 + 赏析]在这个架构下，Dify 扮演的是中枢控制器的角色，协调各个组件高效协作。它既不像纯代码方案那样脆弱难维护，也不像通用聊天机器人那样缺乏控制力。
实际运行中，这套系统已经能够有效解决多个长期困扰AI写诗的痛点：
- 格律失控？→ 加入RAG范例 + Agent后验校验
- 风格漂移？→ 锚定参考作品 + 固定Prompt模板
- 格式混乱？→ 使用JSON Schema强制结构化输出
- 逻辑断裂？→ 通过任务分解实现分步推理
- 迭代缓慢？→ 可视化界面支持实时调试与优化
尤其在教育、文化传播、数字人文等领域，这种“可控生成”模式展现出巨大潜力。教师可以用它批量生成教学案例，博物馆可以自动生成展品解说，出版社甚至能辅助编辑进行古籍校勘。
不过也要清醒认识到，技术仍有边界。Dify 再强大，也无法弥补底层模型在中文格律理解上的根本缺陷。目前大多数LLM仍缺乏内置的音韵知识库，所谓的“押韵”往往是基于字形或语义的猜测，而非真正的语音分析。
因此，在实践中必须坚持“人机协同”的原则：
- 知识库建设优先，尽量使用权威文献数字化资源；
- Prompt设计分层化，基础模板+风格插件+格律插件灵活组合；
- 关键节点设置硬性规则兜底，不能完全依赖模型自觉；
- 建立用户反馈闭环，持续优化提示词与检索策略；
- 权衡性能与复杂度，避免过度工程化影响响应速度。
最终我们会发现，Dify 的真正意义或许并不在于“取代诗人”，而在于降低高质量AI内容创作的门槛。它让不懂编程的文学爱好者也能参与AI应用的设计，让研究人员可以快速验证创意假设，让传统文化以新的形态进入数字时代。
所以回到最初的问题：Dify 能否构建一个遵循格律的AI诗人？
答案是肯定的——只要我们愿意像教学生写诗那样，一步步引导它阅读、模仿、练习、修正。而Dify 正好提供了这样一个理想的“教学平台”。
在这里，AI不必一开始就才华横溢，它可以笨拙地起步，但在系统的帮助下，逐渐学会守规矩、懂意境、知进退。也许某一天，它写出的诗句虽未必传世，却足以让人驻足片刻，轻声念出：“嗯，这倒真像一首诗。”
